Giới thiệu mô hình GARCH đơn biến

An Introduction to Univariate GARCH models

Chào các bạn sinh viên, chào mừng đến với chuỗi bài học chuyên sâu về các mô hình GARCH! Trong thế giới tài chính, “biến động” là một khái niệm không thể thiếu. Nó không chỉ là một con số thống kê, mà còn là thước đo của rủi ro, sự bất ổn, và cả cơ hội. Tại sao giá cổ phiếu hôm nay biến động mạnh hơn hôm qua? Làm thế nào để dự báo rủi ro cho danh mục đầu tư trong tuần tới? Các mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) ra đời để trả lời những câu hỏi đó. Đây là một trong những công cụ mạnh mẽ và phổ biến nhất trong kinh tế lượng tài chính, giúp chúng ta mô hình hóa và dự báo sự thay đổi của biến động theo thời gian.

Chuỗi bài học này được thiết kế đặc biệt dành cho các bạn, những người đang bắt đầu hành trình khám phá lĩnh vực hấp dẫn này. Chúng ta sẽ không chỉ dừng lại ở lý thuyết khô khan. Thay vào đó, tôi sẽ dẫn dắt các bạn đi từng bước, từ những viên gạch nền tảng nhất của mô hình ARCH, đến các cấu trúc GARCH phức tạp và ứng dụng của chúng. Mỗi khái niệm, mỗi công thức đều sẽ được giải thích một cách trực quan và kết nối với các ví dụ thực tế. Đặc biệt, chúng ta sẽ học cách vận dụng phần mềm Stata để biến lý thuyết thành kỹ năng phân tích dữ liệu thực thụ. Mục tiêu cuối cùng là giúp các bạn không chỉ “biết” về GARCH, mà còn “hiểu sâu” và “làm được”. Hãy cùng nhau bắt đầu hành trình chinh phục một trong những công cụ quan trọng nhất của kinh tế lượng hiện đại nhé!

CẤU TRÚC CHUỖI BÀI HỌC

  1. Nền tảng mô hình ARCH và GARCH
    Tìm hiểu khái niệm phương sai thay đổi có điều kiện, mô hình ARCH kinh điển và sự ra đời của mô hình GARCH tổng quát.
  2. Các họ mô hình GARCH mở rộng
    Khám phá các mô hình GARCH bất đối xứng như GJR-GARCH và QARCH để nắm bắt hiệu ứng đòn bẩy trên thị trường tài chính.
  3. Các mô hình GARCH phi tuyến
    Nghiên cứu các mô hình cho phép sự thay đổi chế độ trong biến động như STGARCH và TGARCH, giúp phân tích linh hoạt hơn.
  4. Tính bền và bộ nhớ dài trong GARCH
    Thảo luận về các hiện tượng biến động kéo dài qua mô hình IGARCH, FIGARCH và khám phá họ mô hình EGARCH phổ biến.
  5. Thực hành toàn diện GARCH trên Stata
    Hướng dẫn quy trình phân tích từ A-Z: kiểm định, ước lượng, diễn giải và so sánh các mô hình GARCH bằng Stata.
  6. Hệ thống hóa kiến thức GARCH
    Cung cấp cái nhìn toàn cảnh, kết nối các mô hình đã học và định hướng các chủ đề nghiên cứu nâng cao trong tương lai.

KIẾN THỨC TIÊN QUYẾT

  • Kinh tế lượng cơ bản: Nắm vững mô hình hồi quy OLS, các giả định Gauss-Markov, và khái niệm về phương sai của sai số.
  • Chuỗi thời gian nhập môn: Hiểu rõ các khái niệm về tính dừng (stationarity), tự tương quan (autocorrelation), và các mô hình ARMA.
  • Thống kê suy luận: Thành thạo các kiểm định giả thuyết thống kê (ví dụ: t-test, F-test) và ước lượng hợp lý tối đa (MLE).
  • Stata cơ bản: Biết cách nhập và quản lý dữ liệu, thực hiện hồi quy cơ bản và vẽ đồ thị trong Stata.

MỤC TIÊU HỌC TẬP

  • Nắm vững lý thuyết nền tảng của các mô hình ARCH, GARCH và các biến thể quan trọng của chúng.
  • Vận dụng thành thạo phần mềm Stata để kiểm định, ước lượng và dự báo với các mô hình GARCH.
  • Phát triển kỹ năng diễn giải kết quả phân tích một cách sâu sắc, gắn liền với ý nghĩa kinh tế.
  • Có khả năng lựa chọn mô hình GARCH phù hợp cho các bài toán nghiên cứu thực tế trong lĩnh vực tài chính.

TÀI LIỆU THAM KHẢO

  • Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 31, 307-327.
  • Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
  • Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59(2), 347-370.
  • Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning.

PHỤ LỤC: DỮ LIỆU MÔ PHỎNG CHO SERIES

Để thuận tiện cho việc thực hành trong suốt chuỗi bài học, chúng ta sẽ sử dụng một bộ dữ liệu mô phỏng về lợi suất của một chỉ số chứng khoán. Các bạn có thể tạo lại chính xác bộ dữ liệu này bằng các câu lệnh Stata dưới đây.

Stata
* ==================================================
* MỤC ĐÍCH: Tạo dữ liệu chuỗi thời gian mô phỏng
* NỘI DUNG: Lợi suất chỉ số chứng khoán hàng ngày
* SỐ QUAN SÁT: 2500 (khoảng 10 năm giao dịch)
* ==================================================

* Bước 1: Xóa dữ liệu cũ và thiết lập số quan sát
clear
set obs 2500
set seed 123

* Bước 2: Tạo biến thời gian (ngày)
gen date = mdy(1, 1, 2010) + _n - 1
format date %td

* Bước 3: Khai báo dữ liệu chuỗi thời gian
tsset date

* Bước 4: Tạo một chuỗi giá theo quy trình bước ngẫu nhiên
* Giả định log của giá (ln_price) có một cú sốc cấu trúc
gen shock = (_n > 1500)
gen lnp = 7 + 0.0005*_n - 0.5*shock
replace lnp = lnp[_n-1] + rnormal(0, 0.02) if _n > 1

* Bước 5: Tạo biến lợi suất (return)
* Đây là biến chính chúng ta sẽ phân tích
gen ret = D.lnp

* Bước 6: Mô tả và lưu dữ liệu
describe
summarize lnp ret
* Lưu dữ liệu để sử dụng cho các bài sau
save "asndk09u1c1_garch_data.dta", replace

Mô tả dữ liệu:

  • date: Biến thời gian, ghi nhận ngày quan sát.
  • lnp: Logarit của giá chỉ số chứng khoán.
  • ret: Lợi suất hàng ngày của chỉ số, được tính bằng sai phân bậc một của lnp. Đây là biến số quan trọng nhất mà chúng ta sẽ sử dụng để mô hình hóa biến động.

📚 Bài tiếp theo: Nền tảng mô hình ARCH và GARCH

💡 Lưu ý: Hãy đảm bảo bạn đã xem qua các kiến thức tiên quyết để có sự chuẩn bị tốt nhất cho bài học đầu tiên.

Các bài đã xem

Back to top button